我正在尝试理解线性分类SVM的工作原理（如用于HOG人体检测的那种）。我觉得自己遗漏了一个关键部分，而且我担心找不到清晰的描述来更好地理解它。我知道有现成的实现，最终我可能会使用其中一个，但我希望能理解自己在做什么。
据我所知，SVM通过一系列特征向量和正确的分类进行训练。训练后，SVM完全定义为一组超平面（维数等于特征向量的长度），通常数量非常少。我天真地期望我的训练SVM会是这样的形式：
ax >=b: 0ax < b: 1其中x是特征向量，ax = b是超平面。这里我遇到了问题，因为：
- 我不明白在上述论文中，他们如何得到一个1.7GB的训练SVM。我的SVM应该大约是（64位/浮点数 * （特征向量的长度 + 1））。
- 使用这个SVM进行分类非常简单，只需一个点积和一个比较。尽管我似乎找不到太多关于使用SVM进行匹配所需时间的信息，但人们似乎在寻找快速的实现方法。
我确信在某个时候我误解了我所读的内容，但我希望知道我的思维哪里出了错。我猜我只是陷入了错误的思维模式，因为我读到的关于SVM的越多，我就越看到上述描述得到了确认，而这显然是不对的。
回答：
看起来在论文中，他们需要1.7 GB的RAM来训练分类器。为此，他们必须加载大约14000个64×128的RGB图像块。当这些图像块使用整数存储时，大约需要1.5 GB的空间。
一旦计算出分类器，正如你所说，只需要一个权重向量来检查给定样本位于超平面的哪一侧。
